python - 如何在集群上保存文件

Question

我使用 ssh 连接到集群，我使用

将程序发送到集群

spark-submit --master yarn myProgram.py

我想将结果保存在文本文件中，我尝试使用以下行:

counts.write.json("hdfs://home/myDir/text_file.txt")
counts.write.csv("hdfs://home/myDir/text_file.csv")

但是，它们都不起作用。程序结束，但我在 myDir 中找不到文本文件。你知道我该怎么做吗？

另外，有没有办法直接写入我的本地机器？

编辑:我发现 home 目录不存在，所以现在我将结果保存为: counts.write.json("hdfs:///user/username/text_file.txt") 但这会创建一个名为 text_file.txt 的目录，里面有很多包含部分结果的文件。但我想要一个包含最终结果的文件。我有什么想法可以做到这一点吗？

Answer 1

由于计算是分布式的，Spark 会将结果保存在多个文件中。因此写作:

counts.write.csv("hdfs://home/myDir/text_file.csv")

表示将每个分区上的数据作为一个单独的文件保存在文件夹text_file.csv中。如果要将数据保存为单个文件，请先使用 coalesce(1):

counts.coalesce(1).write.csv("hdfs://home/myDir/text_file.csv")

这会将所有数据放入一个分区中，因此保存的文件数将为 1。但是，如果您有大量数据，这可能不是一个好主意。如果数据非常小，则使用 collect() 是一种替代方法。这会将所有数据作为数组放入驱动程序机器上，然后可以将其保存为单个文件。